1 Materiales y Métodos

1.1 Área de estudio

La CPC está ubicada entre los 1°30’ - 7°10’ N y los 77°40’ - 84°00’ O (CCCP, 2002), limita al norte con el golfo y el istmo de Panamá, al sur con la Zona Económica Exclusiva (ZEE) Ecuatoriana y la dorsal de Carnegie, al oeste con la ZEE de Costa Rica y la dorsal de Cocos y al Este con el litoral Colombiano y la depresión de Yaquina (Lizano, 2001; Pazmiño and Michaud, 2009).

Figura suplementaria 1. Área de estudio con las estaciones muestreadas en la épocas del chórro de Panamá y el chórro del Chocó, resaltando la ecorregión de la bahía de Panamá y los límites de la zona económica exclusiva del pacífico Colombiana. Una vez obtenido los datos en campo, estos se procesaron en oficina utilizando el Seasoft

1.2 Toma de datos y procesamiento de muestras

En el proyecto se plantearon la toma de muestras en 32 estaciones para cada época climática ubicadas en la ecorregión de la bahía de Panamá, las cuales se distribuyeron a lo largo de la zona económica exclusiva de Colombia. Debido a condiciones internas de la logística del crucero en primer período (marzo-abril del 2019) no se pudieron tomar el total de las 32 muestras, solo se tomaron 24 muestras.

se recolectaron muestras de aguas marinas superficiales, empleando una botellas Niskin de 10 L, esto con la finalidad de realizar ensayos para determinar la salinidad, pH, Sólidos Suspendidos Totales (SST), nitritos, nitratos, fosfatos, silicatos, transparencia, clorofila a y oxígeno disuelto (OD) en laboratorio y hacer análisis de riqueza de especies de fitoplancton. Las muestras de zooplancton e ictioplancton fueron colectadas con una red tipo bongo de 300 y 500 µm de ojo de malla con arrastres horizontales a 2 nudos durante 5 minutos; estas muestras se preservaron en formol. Las muestras de fitoplancton se tomaron directamente de la superficie con un balde de 20 litros y se filtró con una red de 50 µm.

Los datos de los perfiles del CTDO (SeaBird 19v. Plus) y del CastAway-CTD (SonTek) se procesaron en el buque y se guardaron en formato CSV para su posterior análisis. La determinación de transparencia fue realizada in situ, utilizando un disco Secchi y a bordo del buque se realizaron las determinaciones de Oxígeno Disuelto (OD), salinidad y pH. Para el procedimiento de determinación de OD se utilizó un dosificador Metrhom modelo Multidosimat y un multiparametro Schott modelo Handylab multi 12 para la determinación de la salinidad y del pH; así mismo se realizó el pretratamiento a las muestras destinadas a los ensayos de nutrientes y clorofila a, hasta la llegada al laboratorio de Dimar sede Pacífico, en donde se continuó con el tratamiento analítico de las mismas para los distintos ensayos.

El pretratamiento de las muestras para la determinación de nutrientes consistió en pasar aproximadamente 1 L de cada muestra por un filtro de nitrocelulosa con tamaño de poro de 0,45 µm; luego se detuvo la filtración para tomar alrededor de 450 mL en un frasco nalgene de 500 mL para su preservación a -20 °C. Para el análisis de clorofila a se continuó filtrando hasta completar un volumen de 1,0 L; al filtro se le adicionaron 2 mL de suspensión de carbonato de magnesio,

1.2.1 Fisicoquímicos

Para la medición de las variables de temperatura, salinidad y oxígeno disuelto se tomaron perfiles en la porción epipelágica en cada una de las estaciones de la grilla CPC (Figura Suplementaria 1) utilizando un CTDO SeaBird 25Plus para la época del chorro de Panamá y el CTDO SeaBird 19Plus para la época del chorro del Chocó.

1.2.2 Biológicos

1.3 Análisis de datos

1.3.1 Análisis de datos biológicos

1.3.1.1 Análisis de Abundancia Composición y diversidad

1.3.2 Análisis de las variables ambientales

1.3.2.1 Análisis espacial

1.3.2.2 Modelación

2 Análisis Exploratorio de Datos.

2.1 Composición taxonómica

En este estudio se colectaron un total de 5 géneros y 22 especies : 2 especies de Calanopia, 10 especies de Labidocera, 7 especies de Pontella, 3 especies de Pontellina y 4 especies de Pontellopsis. De estas especies se registraron por primera vez en Colombia 8 especies: Calanopia elliptica Dana, 1849, Labidocera churaumi (Hirabayashi, 2014) , Labidocera sinilobata (Shen & Lee, 1963), Pontella danae (Giesbrecht, 1889), Pontella fera  (Dana, 1849), Pontella spinicauda (Mori, 1937), Pontellina morii (Fleminger & Hulsemann, 1974) y Pontellopsis lubbocki (Giesbrecht, 1889).

Tabla suplementaria 1. Copépodos de la familia Pontellidae en la cuenca Pacífica Colombiana. * Nuevo registro de especie en aguas Colombiana.

Especies Chaverra, 2023 Jerez-Guerrero et.al 2019 Dorado Roncancio, 2018 Jerez-Guerrero et.al 2017 INVEMAR, 2010
Calanopia elliptica Dana, 1849 * X
Calanopia minor Scott A., 1902  X X X X
Labidocera acuta (Dana, 1849)  X X X X X
Labidocera acutifrons (Dana, 1849) X X
Labidocera aestiva Wheeler, 1901 X X
Labidocera churaumi (Hirabayashi, 2014) * X
Labidocera detruncata (Dana, 1849)  X X X X
Labidocera johnsoni (Fleminger, 1964) X
Labidocera minuta (Giesbrecht, 1889) X
Labidocera nerii (Krøyer, 1849) X X
Labidocera sinilobata (Shen & Lee, 1963) * X
Labidocera trispinosa (Esterly, 1905) X
Pontella atlantica (H. Milne Edwards, 1840) X X
Pontella danae (Giesbrecht, 1889) * X
Pontella fera  (Dana, 1849) * X
Pontella mimocerami Fleminger, 1957 X X
Pontella spinicauda (Mori, 1937) * X
Pontella spinipes Giesbrecht, 1889 X X
Pontella valida Dana, 1853 X
Pontellina morii (Fleminger & Hulsemann, 1974) * X
Pontellina plumata Dana, 1849 X X X
Pontellina sobrina (Fleminger & Hulsemann, 1974) X X
Pontellopsis armata Giesbrecht, 1889 X X
Pontellopsis lubbocki (Giesbrecht, 1889) * X
Pontellopsis perspicax (Dana, 1849) X X
Pontellopsis regalis Dana, 1849 X X X
Total 22 4 4 9 10

2.2 Densidad de especies

2.2.1 Gráficas de Rango-Densidad

La densidad total para la familia Pontellidae en el año 2019 fue de 750124 \(ind 1000m^{-3}\), la especie con mayor densidad fue Labidocera acuta con 584488 \(ind 1000m^{-3}\) seguida de Labidocera detruncata con 61754 \(ind 1000m^{-3}\). Las especies con menores densidades fueron Pontella spinicauda, Pontellina plumata y Labidocera churaumi con 84 \(ind 1000m^{-3}\) cada una. Esto significa que entre la primer especie y la segunda hay 10 veces la magnitud de la densidad y entre la primera y la última especie hay aproximadamente 10000 veces la magnitud de la densidad (Tabla suplementaria 1). El ensamble de la familia Pontellidae estuvo muy dominado por Labidocera acuta en su totalidad para el año 2019 (Figura suplementaria 2).

Tabla suplementaria 2. Abundancia de las especies de la famillia Pontellidae (Copepoda: Calanoida) en el año 2019 para la cuenca Pacífica Colombiana.

abundancia_Total<-read.table("../Diversidad/Abundancias_2019.csv", sep=",", header=TRUE)
abundancia_Total<-as.data.frame(t(abundancia_Total))
colnames(abundancia_Total)<-c("Densidad")
reactable(abundancia_Total)

El comportamiento de la de la densidad total de la familia Pontellidae para el año 2019 se ajustó al modelo de abundancia teórico de Zipf y al de Mandelbrot (\(AIC_{Zipf} = 26598\) y \(AIC_{Mandelbrot} = 26600\)) (Figura suplementaria 2).

#Código para suprimir la notación científica
options(scipen=999)

#Carga de los datos para la estimación de los números de Hill####

abundancia_Total<-read.table("../Diversidad/Abundancias_2019.csv", sep=",", header=TRUE)
abundancia_Total<-as.data.frame(t(abundancia_Total))

#Gráficas de rango abundancia####
#Sumatoria de todas especies en el muestreo

Total_Rank_data<- rad.lognormal(abundancia_Total$V1)

Total_Rank_radfit<- radfit(abundancia_Total$V1)

Rango_Plot_total<-ggplot()+
  geom_point(aes(y=Total_Rank_data[["y"]], x=seq(1:22)))+
  scale_y_continuous(trans='log10', limits = function(x){c(min(x), ceiling(1000000))})+
  labs(colour = "", subtitle = "Rango - Densidad", title="Densidad Total",  x ="Rango", y =expression(paste("log(abundancia) [inv 1000 ", m^-3, "]")),tag="A.")+
  theme_bw()+
  theme(legend.position="bottom", 
        axis.text.y =  element_text(size = 8),
        axis.title =  element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))


total_plot<-ggplot()+
  geom_point(aes(y=Total_Rank_radfit[["y"]], x=seq(1:22)))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Null"]][["fitted.values"]],x=seq(1:22),color="Null" ))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Preemption"]][["fitted.values"]],x=seq(1:22),color="Preemption"))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:22),color="Lognormal" ))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Zipf"]][["fitted.values"]],x=seq(1:22),color="Zipf"))+
  geom_line(aes(y= Total_Rank_radfit[["models"]][["Mandelbrot"]][["fitted.values"]],x=seq(1:22),color="Mandelbrot" ))+
  scale_y_continuous(trans='log10')+
  scale_color_manual(values = c( "#d7191c","#fdae61", "#a6dba0", "#008837", "#2b83ba"),
                     #breaks=c("Jet Chocó", "Null", "Preemption", "Lognormal", "Zipf", "Mandelbrot"),
                     name = " ",
                     labels=c(  "Mandelbrot", "Zipf","Lognormal","Preemption", "Null")
  )+
labs(colour = "", subtitle = "Rango - Densidad", title="Densidad total",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="B.")+
  theme_bw()+
  theme(legend.position="bottom", 
        axis.text = element_text(size = 8),
        axis.title = element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))

gridExtra::grid.arrange(Rango_Plot_total,
                        total_plot,
                        ncol=1)

Figura suplementaria 2. Gráficas de Rango-Densidad y modelos de densidad para las especies de la familia Pontellidae durante las épocas climáticas de la ecorregión de la Ensenada de Panamá.

Para las épocas hubo diferencias entre las densidades de las especies y la distribución de estas densidades. Para la época del jet de Panamá la especie más dominante fue L. acuta seguida de P. armata (Tabla Suplementaria 3) sin embargo para la época del jet del Chocó la especie más más dominante fue L. detruncata seguida de P mimocerani. Por su parte, en esta época L. acuta ocupó el cuarto puesto en cuanto a la densidad y P. armata no fue detectada para esta época (Tabla suplementaria 3).

direccion_Datos="../Datos/DwC/Occurrence_Pontellidae.csv"

Occ_Dwc<-read.table(direccion_Datos, header = TRUE, sep = ",")



#Creación del Data Frame de Análisis####
biolData_lon<-as.data.frame(cbind(Occ_Dwc$recordNumber, Occ_Dwc$decimalLatitude, Occ_Dwc$decimalLongitude, Occ_Dwc$scientificName,Occ_Dwc$organismQuantity))
colnames(biolData_lon)<-c("recordNumber", "decimalLatitude", "decimalLongitude", "scientificName", "organismQuantity")
biolData_lon$recordNumber<-as.factor(biolData_lon$recordNumber)
biolData_lon$scientificName<-as.factor(biolData_lon$scientificName)
biolData_lon$scientificName<-gsub("\\s+", "_", biolData_lon$scientificName)
biolData_lon$organismQuantity<-as.numeric(biolData_lon$organismQuantity)



biolData_lon$Codigo<-gsub("ENFEN-XXII-0", "Choco", biolData_lon$recordNumber) 
biolData_lon$Codigo<-gsub("ENFEN-XXI-0", "Panama", biolData_lon$Codigo)

biolData_lon$Temporada<-gsub("^(Choco).*", "Choco", biolData_lon$Codigo) 
biolData_lon$Temporada<-gsub("^(Panama).*", "Panama", biolData_lon$Temporada)

biolData_lon$Red<-gsub(".*-(\\d+)-.*", "\\1", biolData_lon$Codigo) 


biolData_lon$Estacion<-gsub(".*-(\\d+)", "\\1", biolData_lon$Codigo) 



#Creación de la matrix wide de los datos del densidad####
biolData_wide<-biolData_lon%>%
  tidyr::pivot_wider(names_from = scientificName,
              values_from = organismQuantity)


#Datos totales
abundancia_Total<-sort(apply(biolData_wide[,8:29], 2, sum), decreasing = TRUE)

#Datos por temporada####
Choco_long<-biolData_lon%>%subset(Temporada == "Choco")
Panama_long<-biolData_lon%>%subset(Temporada == "Panama")


Jet_Choco<-tapply(Choco_long$organismQuantity, Choco_long$scientificName, sum)
Jet_Panama<-tapply(Panama_long$organismQuantity, Panama_long$scientificName, sum)

Temporadas_total<-as.data.frame(t(rbind(Jet_Panama, Jet_Choco)))

reactable(Temporadas_total)

En las gráficas de rango-densidad por épocas se puede notar que para la época del jet de Panamá el modelo de distribución de abundancias se ajustó más al modelo Zipf y al modelo de Mandelbrot (\(AIC_{Zipf} = 24808\) y \(AIC_{Mandelbrot} = 24810\)) y para la época del jet de Chocó, se ajustó más al modelo Lognormal (\(AIC_{Lognormal} = 1529.2\)) (Figura suplementaria 3.)

options(scipen=999)

#Carga de los datos para la estimación de lso números de Hill
Hill_temporadas<-utils::read.table("../Diversidad/Hill_temporadas.csv", sep=",",header=TRUE)
abundancia_Total<-utils::read.table("../Diversidad/Abundancias_2019.csv", sep=",", header=TRUE)


#Gráficas de rango abundancia####
#Sumatoria de todas especies en el muestreo

Total_Rank_data<- vegan::rad.lognormal(abundancia_Total)
Choco_Rank_data<- vegan::rad.lognormal(t(Hill_temporadas$Jet_Choco))
Panama_Rank_data<- vegan::rad.lognormal(t(Hill_temporadas$Jet_Panama))


Choco_Rank_radfit<- vegan::radfit(t(Hill_temporadas$Jet_Choco))
Panama_Rank_radfit<- vegan::radfit(t(Hill_temporadas$Jet_Panama))



Rango_Plot<-ggplot()+
  geom_point(aes(y=Choco_Rank_data[["y"]], x=seq(1:7), color="Jet Chocó"))+
  #geom_line(aes(y= Sizigia_Rank_fitplot[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:124) ),color="red")+
  geom_point(aes(y=Panama_Rank_data[["y"]], x=seq(1:21),color="Jet Panamá"))+
  #geom_line(aes(y= Cuadratura_Rank_fitplot[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:84) ),color="black")+
  scale_y_continuous(trans='log10', limits = function(x){c(min(x), ceiling(1000000))})+
  scale_color_manual(values = c("#2b83ba", "#fdae61"))+
  labs(colour = "", subtitle = "Rango - Densidad", title="Temporadas",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="A.")+
   theme_bw()+
  theme(legend.position="bottom", 
        axis.text.y =  element_text(size = 8),
        axis.title =  element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))


choco_plot<-ggplot()+
  geom_point(aes(y=Choco_Rank_radfit[["y"]], x=seq(1:7)))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Null"]][["fitted.values"]],x=seq(1:7),color="Null" ))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Preemption"]][["fitted.values"]],x=seq(1:7),color="Preemption"))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:7),color="Lognormal" ))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Zipf"]][["fitted.values"]],x=seq(1:7),color="Zipf"))+
  geom_line(aes(y= Choco_Rank_radfit[["models"]][["Mandelbrot"]][["fitted.values"]],x=seq(1:7),color="Mandelbrot" ))+
  scale_y_continuous(trans='log10')+
  scale_color_manual(values = c( "#d7191c","#fdae61", "#a6dba0", "#008837", "#2b83ba"),
                     #breaks=c("Jet Chocó", "Null", "Preemption", "Lognormal", "Zipf", "Mandelbrot"),
                     name = " ",
                     labels=c(  "Mandelbrot", "Zipf","Lognormal","Preemption", "Null")
  )+
  
  labs(colour = "", subtitle = "Rango - Densidad", title="Jet Chocó",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="B.")+
   theme_bw()+
  theme(legend.position="bottom", 
        axis.text = element_text(size = 8),
        axis.title = element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))


panama_plot<-ggplot()+
  geom_point(aes(y=Panama_Rank_radfit[["y"]], x=seq(1:21)))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Null"]][["fitted.values"]],x=seq(1:21),color="Null" ))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Preemption"]][["fitted.values"]],x=seq(1:21),color="Preemption"))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Lognormal"]][["fitted.values"]],x=seq(1:21),color="Lognormal" ))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Zipf"]][["fitted.values"]],x=seq(1:21),color="Zipf"))+
  geom_line(aes(y= Panama_Rank_radfit[["models"]][["Mandelbrot"]][["fitted.values"]],x=seq(1:21),color="Mandelbrot" ))+
  scale_y_continuous(trans='log10')+
  scale_color_manual(values = c( "#d7191c","#fdae61", "#a6dba0", "#008837", "#2b83ba"),
                     #breaks=c("Jet Chocó", "Null", "Preemption", "Lognormal", "Zipf", "Mandelbrot"),
                     name = " ",
                     labels=c(  "Mandelbrot", "Zipf","Lognormal","Preemption", "Null")
  )+
  
  labs(colour = "", subtitle = "Rango - Densidad", title="Jet Panamá",  x ="Rango", y =expression(paste("log(Densidad) [inv 1000 ", m^-3, "]")),tag="C.")+
  theme_bw()+
  theme(legend.position="bottom", 
        axis.text = element_text(size = 8),
        axis.title = element_text(size = 8),
        plot.title = element_text(size = 8),
        plot.subtitle = element_text(size = 8),
        plot.caption= element_text(size = 8),
        plot.tag = element_text(size=8))

g1<-gridExtra::arrangeGrob(Rango_Plot)
g2<-gridExtra::arrangeGrob(choco_plot,
                           panama_plot,
                           ncol=2)


gridExtra::grid.arrange(g1,
                        g2,
                        ncol=1)

Figura suplementaria 3. Gráficas de Rango-Abundancia y modelos de abundancia para las especies de la familia Pontellidae durante las épocas climáticas de la ecorregión de la Ensenada de Panamá.

2.3 Medidas de diversidad

2.3.1 Diversidad observada

La diversidad observada a partir del cálculo de los números de Hill mostró que la diversidad de orden \(q_{0}\), que representa la riqueza (\(S\)) fue mucho más alta en la época del jet de Panamá (\(q_{0}=21\)) que en la época del jet del Chocó (\(q_{0}=7\)). Para la diversidad de orden \(q_{1}\) el jet de Panamá fue inferior (\(q_{1}= 2.12\)) a la del jet del Chocó (\(q_{1}=3.22\)) y para la diversidad de orden \(q_{2}\) en la época del jet de Panamá (\(q_{2}=1.42\)) también fue inferior a la del jet del Chocó (\(q_{2}=2.32\)) (Figura suplementaria 4).

require(hilldiv)
require(ggplot2)

 Hill_temporadas<-utils::read.table("../Diversidad/Hill_temporadas.csv", sep=",",header=TRUE)
 Hill_temporadas2<-Hill_temporadas[,2:3]
 base::row.names(Hill_temporadas2)<-Hill_temporadas$Especies
 
 D0_Hill_temporadas<-hilldiv::hill_div(Hill_temporadas2, qvalue = 0)
 D1_Hill_temporadas<-hilldiv::hill_div(Hill_temporadas2, qvalue = 1)
 D2_Hill_temporadas<-hilldiv::hill_div(Hill_temporadas2, qvalue = 2)
 
 Div_hill_Total<-base::list(D0_Hill_temporadas,D1_Hill_temporadas,D2_Hill_temporadas)
 Div_hill_Total_df<-base::as.data.frame(Div_hill_Total)
 base::colnames(Div_hill_Total_df)<-c("q0", "q1","q2")
 
 Div_hill_Total_df_trans<-base::as.data.frame(t(Div_hill_Total_df))
 Div_hill_Total_df_trans$Orden<-c(0,1,2)
 
 
 Rango_DivPlot <- ggplot2::ggplot() +
   geom_line(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Choco ), color = "blue", lwd = 0.5, linetype = 1) +
   geom_point(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Choco ), color = "blue", size =3) +
    geom_line(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Panama ), color = "red", lwd = 0.5, linetype = 1) +
   geom_point(data = Div_hill_Total_df_trans, aes(x = Orden, y = Jet_Panama ), color = "red", size =3) +
    labs(
     title = "Perfiles de diversidad",
     x = "Orden",
     y = "Diversidad",
     color = "Variable") +
   scale_color_manual(values = c("Jet_Choco" = "blue", "Jet_Panama" = "red")) +
   annotate("text", x = 0.1, y = 8, label = "Jet Chocó", size = 5, color = "black") +
   annotate("text", x = 0.1, y = 22, label = "Jet Panamá", size = 5, color = "black") +
   theme_minimal()
 
  Rango_DivPlot
## Warning: No shared levels found between `names(values)` of the manual scale and the
## data's colour values.

Figura suplementaria 4. Perfiles de diversidad observada la familia Pontellidae durante las épocas climáticas de la ecorregión de la Ensenada de Panamá.

2.3.2 Diversidad estimada

Al realizar las estimaciones en todos los ordenes de diversidad, basada en el número de individuos o más exactamente la densidad, se pudo observar que las tendencias observadas se mantienen sin modificación, donde en el jet de Panamá se puede observar que la diversidad de orden \(q_{0}\) o riqueza sigue siendo mucho más alta que la obtenida en el jet del Chocó y que para las divesidades de orden \(q_{1}\) y \(q_{2}\) la tendencia a que el jet del Chocó tenga valores más altos que el jet de Panamá se mantiene.

En el comportamiento de las curvas de rarefacción se observó que la detección de especies nuevas a medida que aumenta el esfuerzo de conteo basados en la densidad, se estabiliza para el jet de Panamá en aproximadamente unas 25000 \(ind 1000m^{-3}\) y este comportamiento es similar a la época del jet del Chocó (Figura suplementaria 5).

require(dbplyr)
require(iNEXT)
Estaciones_Total<-read.table("../Diversidad/Estaciones_Total.csv", header=TRUE, sep=",")
 
 
 Estaciones_Panama<-dplyr::filter(Estaciones_Total, Temporada=="Panama")
 Estaciones_Choco<-dplyr::filter(Estaciones_Total, Temporada=="Choco")
 
 Estaciones_Panama_sum<-base::as.data.frame(t(Estaciones_Panama[,3:24]%>% dplyr::summarise_all((sum))))
 Estaciones_Choco_sum<-base::as.data.frame(t(Estaciones_Choco[,3:24]%>% dplyr::summarise_all((sum))))
 
 Estaciones_Panama_Densidad<-dplyr::filter(Estaciones_Panama_sum, V1>0)
 Estaciones_Choco_Densidad<-dplyr::filter(Estaciones_Choco_sum, V1>0)
 
 Estaciones_Panama_Densidad_vector<-base::as.vector(Estaciones_Panama_Densidad$V1)
 Estaciones_Choco_Densidad_vector<-base::as.vector(Estaciones_Choco_Densidad$V1)
 
 Estaciones_total_Lista<-base::list(Estaciones_Panama_Densidad_vector, Estaciones_Choco_Densidad_vector)
 names(Estaciones_total_Lista)<-c("Panamá", "Chocó")
 
 Calculo_Inext_Temporadas<-iNEXT::iNEXT(Estaciones_total_Lista,
                                 q=c(0,1,2),
                                 datatype = "abundance",
                                 endpoint = 1000000)
 
 Temporada_plot_Hill<-iNEXT::ggiNEXT(Calculo_Inext_Temporadas, type=1, facet.var="Order.q", color.var = "Assemblage")+
   theme_bw(base_size = 6) +  
   labs(
     #title = "Estimaciones de diversidad",
     x = "Densidad",
     y = "Diversidad de especies") +
   theme(legend.position="bottom",
         legend.title=element_blank(),
         legend.text=element_text(size = 9),
         axis.text = element_text(size = 9),
         axis.title = element_text(size = 9),
         strip.text= element_text(size = 9),
         plot.title = element_text(size = 9),
         plot.subtitle = element_text(size = 9),
         plot.caption= element_text(size = 9))
 
 
 Temporada_plot_Hill

Figura suplementaria 5. Curvas de rarefacción y de estimación de la diversidad medida con los números de Hill en los ordenes \(q_{0}\) , \(q_{1}\) y \(q_{2}\) para las épocas climáticas del jet de Panamá y el jet del Chocó.

2.4 Composición

2.4.1 Análisis de similitud

El análisis de similitud (ANOSIM) basado en los datos de densidad arrojó que existe una diferencia significativa (\(p<0.01\)) entre los épocas climáticas sin embargo esta es moderada (\(R = 0.544\) ) lo que sugiere que aproximadamente el 55% de la variación total se debe a las diferencias entre las épocas, mientras que el otro 45% puede atribuirse a la variación dentro de las épocas (Figura suplementaria 6). Para el mismo análisis de similitud basado en la incidencia se obtuvieron resultados significativos (\(p<0.01\)) similares sin embargo las diferencias entre grupos fue explicada aún mas por la diferencia entre épocas (\(R = 0.602\)) y que la variación interna de las épocas (Figura suplementaria 6).

#Compisición####
 
 Densidad_matriz_total<-readxl::read_excel("../Diversidad/Densidad_pontellidae.xlsx", sheet="Densidad_Sin_Ceros")
 Inc_Total<-read.table("../Diversidad/Incidencia_Total.csv", header=TRUE, sep=",")
 
 ##Anosim
 Densidad_matriz_total$Temporada_Estaciones <- paste(Densidad_matriz_total$Temporada, Densidad_matriz_total$Estaciones, sep = "_")
 Densidad_matrix_anosim<-as.data.frame(Densidad_matriz_total[,5:26])
 rownames( Densidad_matrix_anosim)<-  Densidad_matriz_total$Temporada_Estaciones
 grupos<-factor(Densidad_matriz_total$Temporada)
 
 Densidad_resultado_anosim<- anosim(Densidad_matrix_anosim, grupos, distance="bray", permutations = 999)


 Inc_Total$Temporada_Estaciones <- paste(Inc_Total$Temporada, Inc_Total$Estaciones, sep = "_")
 Incidendia_matrix_anosim<-Inc_Total[,3:24]
 rownames(Incidendia_matrix_anosim)<- Inc_Total$Temporada_Estaciones
 grupos<-factor(Inc_Total$Temporada)
 
 Incidencia_resultado_anosim <- anosim(Incidendia_matrix_anosim, grupos, distance="bray", permutations = 999)

 par(mfrow = c(2, 1))
 plot(Densidad_resultado_anosim, 
      main="ANOSIM basada en densidad",
      xlab="Clases",
      ylab="Rango de distancias")
 plot(Incidencia_resultado_anosim, 
      main="ANOSIM basada en incidencia",
      xlab="Clases",
      ylab="Rango de distancias")

Figura suplementaria 6. Diagrámas de cajas del análisis de similitud entre las épocas climáticas del Jet del Chocó y del Jet de Panamá de las especies de la familia Pontellidae basadas en la densidad y en la incidencia.

2.4.2 Escalamiento multidimensional no métrico

El escalamiento dimensional no métrico nos muestra que hay una superposición parcial de los grupos basados en la incidencia de las especies, lo que corrobora el análisis de similitud, lo que quiere decir que muchas especies son compartidas eentre las dos épocas.

Inc_Total<-read.table("../Diversidad/Incidencia_Total.csv", header=TRUE, sep=",")
 
 Data_spp_Only<-Inc_Total[,3:24]
 
 nombres_Grupos<-paste0(Inc_Total[,1],"_", Inc_Total[,2])
 row.names(Data_spp_Only)<-nombres_Grupos
 
 
 grupos_df<-Inc_Total[1:2]
 row.names(grupos_df)<-nombres_Grupos
 grupos_df$Temporada<-as.factor( grupos_df$Temporada)
 grupos_df$Estaciones<-as.factor( grupos_df$Estaciones)
 
 Incidencia_Relativa<-vegan::decostand(Data_spp_Only, method = "total")
 Incidencia_Relativa_MDist<-vegan::vegdist(Data_spp_Only, method = "bray")
 
 Incidencia_Relativa_MatrizDist<-as.matrix(Incidencia_Relativa_MDist, labels=TRUE)

 Resultado_NMDS<- metaMDS(Incidencia_Relativa_MatrizDist,
                          distance ="bray",
                          k =3,
                          maxit = 999,
                          trymax=500,
                          wascores = TRUE)
## Run 0 stress 0.04397728 
## Run 1 stress 0.04483327 
## Run 2 stress 0.04397744 
## ... Procrustes: rmse 0.0003050013  max resid 0.0009776109 
## ... Similar to previous best
## Run 3 stress 0.04642331 
## Run 4 stress 0.04587429 
## Run 5 stress 0.04397737 
## ... Procrustes: rmse 0.0003865169  max resid 0.001212256 
## ... Similar to previous best
## Run 6 stress 0.05930437 
## Run 7 stress 0.04478814 
## Run 8 stress 0.04397753 
## ... Procrustes: rmse 0.0003916447  max resid 0.001464545 
## ... Similar to previous best
## Run 9 stress 0.04479265 
## Run 10 stress 0.04478815 
## Run 11 stress 0.04483346 
## Run 12 stress 0.04397699 
## ... New best solution
## ... Procrustes: rmse 0.0002342499  max resid 0.0005673401 
## ... Similar to previous best
## Run 13 stress 0.04483368 
## Run 14 stress 0.04587428 
## Run 15 stress 0.04642306 
## Run 16 stress 0.04483346 
## Run 17 stress 0.04478799 
## Run 18 stress 0.04478842 
## Run 19 stress 0.04479152 
## Run 20 stress 0.0447915 
## *** Best solution repeated 1 times
 Coordenadas_NMDS<-as.data.frame(scores(Resultado_NMDS[["points"]]))
 Coordenadas_NMDS$Estaciones<-Inc_Total$Estaciones
 Coordenadas_NMDS$Temporada<-as.factor(   Inc_Total$Temporada)
 colnames(Coordenadas_NMDS)<-c("NMDS1",
                               "NMDS2",
                               "NMDS3",
                               "Estaciones",
                               "Temporada")
   
Temporada_group <- Coordenadas_NMDS %>%
   ggplot(aes(x = NMDS1,
              y = NMDS2,
              color=Temporada,
              label=Estaciones))+
   geom_point()+geom_text(hjust=0, vjust=0)


hull_data_Temporada <- 
  Coordenadas_NMDS %>%
  tidyr::drop_na() %>%
  dplyr::group_by(Temporada) %>% dplyr::slice(chull(NMDS1, NMDS2))


Temporada_group<-Temporada_group +
  geom_polygon(data = hull_data_Temporada,
               aes(fill = Temporada,
                   colour = Temporada),
               alpha = 0.3,
               show.legend = FALSE)+
  theme_bw()+
  theme(legend.position="bottom",
        legend.title=element_blank(),
        legend.text=element_text(size = 9),
        axis.text = element_text(size = 9),
        axis.title = element_text(size = 9),
        strip.text= element_text(size = 9),
        plot.title = element_text(size = 9),
        plot.subtitle = element_text(size = 9),
        plot.caption= element_text(size = 9))

Temporada_group

Figura suplementaria 7. Escalamiento multidimensional no métrico para las épocas climáticas del Jet de Panamá y el Jeat del Chocó.

2.4.3 Porcentaje de similitud

El análisis de porcentaje de similitud arrojó que las especies Labidocera acuta (\(p<0.1\)) y Labidocera detruncata (\(p<0.01\)) son las que de manera significativa más aportan a la diferencia entre las épocas cuando se realiza el análisis basado en la densidad. Para el análisis basado en la incidencia, las especies que más aportan a la diferencia fueron: Labidocera detruncata (\(p<0.01\)), Labidocera acuta (\(p<0.01\)) y Pontellopsis armata (\(p<0.05\)).

3 Variable oceanográficas

3.1 Variables fisicoquímicas medidas en campo

Las variables oceanográficas medias para comprar las épocas climáticas e identificar si estas presentan diferencias generales, se encontró que no tienen una distribución no homogénea en ninguna de las variables. Los análisis pareados de Wilcoxon mostraron que no existen diferencias significativas entre las épocas en los silicatos (\(W=192\), \(p=0.3\)) y el oxígeno disuelto (\(W=88\), \(p=0.53\)). El amonio (\(W=35\), \(p<0.05\)), los nitritos (\(W=6\), \(p<0.05\)), nitratos (\(W=80\), \(p<0.05\)), los fosfatos (\(W=88\), \(p<0.05\)), la temperatura (\(W=469\), \(p<0.05\)) y la salinidad (\(W=129\), \(p<0.05\)) mostraron diferencias significativas (Figura suplementaria 7).

source("../Fisicoquimicos/Funciones/boxplot_Temporada.R")
source("../Fisicoquimicos/Funciones/Wilcoxon.R")

data<-read.table("../Fisicoquimicos/Datos_fisicoquimicos_0.csv", header=TRUE, sep=",")

NH4_boxplot<-boxplot_Temporada(data, data$NH4, expression(paste("[NH"[4]^"-","] [",mu,"M]")))
NO2_boxplot<-boxplot_Temporada(data, data$NO2, expression(paste("[NO"[2]^"-","] [",mu,"M]")))
NO3_boxplot<-boxplot_Temporada(data, data$NO3, expression(paste("[NO"[3]^"-","] [",mu,"M]")))
PO4_boxplot<-boxplot_Temporada(data, data$PO4, expression(paste("[PO"[4]^-3,"] [",mu,"M]")))
SiO2_boxplot<-boxplot_Temporada(data, data$SIO3, expression(paste("[SiO"[2],"] [",mu,"M]")))
temperatura_boxplot<-boxplot_Temporada(data, data$temperatura, "Temperatura (°C)")
salinidad_boxplot<-boxplot_Temporada(data, data$salinidad, "Salinidad (PSU)")
oxigeno_boxplot<-boxplot_Temporada(data, data$oxigeno, expression(paste("Ox.D.[mg O"[2],".L"^-1,"]")))

grid.arrange(NH4_boxplot,
             NO2_boxplot,
             NO3_boxplot,
             PO4_boxplot,
             SiO2_boxplot,
             temperatura_boxplot,
             salinidad_boxplot,
             oxigeno_boxplot,
             ncol = 2
)
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 6 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 6 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 6 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 6 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 6 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 6 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 2 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 2 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 2 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 2 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 2 rows containing missing values or values outside the scale range
## (`geom_point()`).
## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_boxplot()`).
## Warning: Removed 3 rows containing non-finite outside the scale range
## (`stat_summary()`).
## Warning: Removed 3 rows containing missing values or values outside the scale range
## (`geom_point()`).

Figura suplementaria 8. Diagrama de cajas y hojas para las variables fisicoquímicas entre las épocas climáticas de la ecorregión de la bahía de Panamá.

3.2 Variables fisicoquímicas obtenidas de sensores remotos

3.2.1 Comportamiento de las variables oceanográficas

3.2.1.1 Temperatura

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Temperatura_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Temperatura_-_Chorro_de_Chocó.png")

3.2.1.2 Salinidad

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Salinidad_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Salinidad_-_Chorro_de_Chocó.png")

3.2.1.3 Alturas de la superficie del mar

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Altura_de_la_Superficie_del_mar_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Altura_de_la_Superficie_del_mar_-_Chorro_de_Chocó.png")

3.2.1.4 Profundidad de la Capa de mezcla

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Capa_de_mezcla_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Capa_de_mezcla_-_Chorro_de_Chocó.png")

3.2.1.5 Corrientes

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Corrientes_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Corrientes_-_Chorro_de_Chocó.png")

3.2.1.6 Profundidad de la zona eufótica

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Profundidad_Zona_Eufótica_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Profundidad_Zona_Eufótica_-_Chorro_de_Chocó.png")

3.2.1.7 Productividad Primaria

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Productividad_Primaria_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Productividad_Primaria_-_Chorro_de_Chocó.png")

3.2.1.8 Carbono aportado por el zooplancton

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Carbono_aportado_por_el_Zooplancton_-_Chorro_de_Panamá.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Mapa_Carbono_aportado_por_el_Zooplancton_-_Chorro_de_Chocó.png")

3.2.2 Estadísticas descriptivas

A partir del comportamiento de las variables oceanográficas en los días que se realizaron los cruceros se obtuvieron las medidas de tendencia central y las medidas de dispersión más adecuadas para caracterizar su comportamiento.

Con los gráficos de la distribución de frecuencias de cada variable se pudo observar que ninguna de las variables tuvo una distribución simétrica con respecto a la media (Figura suplementaria 9 y Figura suplementaria 11).

Debido a que la distribución de frecuencia de los datos no es simétrica, la medida de tendencia central más adecuada para describir las variables sería la mediana y la medida de dispersión sería el rango intercuarltílico (Figura suplementaria 10 y Figura suplementaria 12). Con estos dos estadísticos se construyeron las capas descriptivas que servirán para realizar las modelaciones posteriores.

3.2.2.1 Jet de Panamá

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Panama_Histogramas01.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Panama_Histogramas02.png")

Figura suplementaria 9. Distribución de frecuencias de las variables oceanográficas tomadas de los modelos numéricos durante la actividad del Jet de Panamá.

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Panama_Estadisticos_Mapa_01.png")

Figura suplementaria 10. Distribución geográfica de las medianas y los rangos intercuartílicos (RIQ) de las variables oceanográficas durante el Jet de Panamá, utilizadas para los procesos de modelado estadístico.

3.2.2.2 Jet del Chocó

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Choco_Histogramas01.png")

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Choco_Histogramas02.png")

Figura suplementaria 10. Distribución de frecuencias de las variables oceanográficas tomadas de los modelos numéricos durante la actividad del Jet de Chocó

knitr::include_graphics("../Fisicoquimicos/Datos_Externos/Choco_Estadisticos_Mapa_01.png")

Figura suplementaria 12. Distribución geográfica de las medianas y los rangos intercuartílicos (RIQ) de las variables oceanográficas durante el Jet de Chocó, utilizadas para los procesos de modelado estadístico.

3.2.3 Correlaciones entre variables

3.2.3.1 Jet de Panamá

library(reactable)

table<-readxl::read_excel("../Fisicoquimicos/Datos_Externos/layers/Panama/Corr_matrix_Panama.xlsx", sheet="Corr_matrix_Panama")

reactable(table,columns = list(
  alturas_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  alturas_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  alturas_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  CarbonZoo_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
,
  CarbonZoo_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  
))
knitr::include_graphics("../Fisicoquimicos/Datos_Externos/layers/Panama/corr_Matrix_Panama.png")

Figura suplementaria 13. Correlación entre las variables oceanográficas durante el Jet de Panamá, utilizadas para los procesos de modelado estadístico.

3.2.3.2 Jet de Chocó

library(reactable)

table<-readxl::read_excel("../Fisicoquimicos/Datos_Externos/layers/Choco/Corr_matrix_Choco.xlsx", sheet="Corr_matrix_Choco")

reactable(table,columns = list(
  alturas_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  alturas_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  alturas_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  capaMezcla_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  ,
  CarbonZoo_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
,
  CarbonZoo_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Corrientes_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  eufotica_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  pp_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  salinidad_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_IQR = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  }),
  Temperatura_median = colDef(style = function(value) {
    if (value > 0.7) {
      color <- "blue"
    } else if (value < -0.7) {
      color <- "red"
    } else {
      color <- "#777"
    }
    list(color = color, fontWeight = "bold")
  })
  
))
knitr::include_graphics("../Fisicoquimicos/Datos_Externos/layers/Choco/corr_Matrix_Choco.png")

Figura suplementaria 14. Correlación entre las variables oceanográficas durante el Jet de Chocó, utilizadas para los procesos de modelado estadístico.

4 Análisis Espacial

5 Modelación

5.1 Modelación de la riqueza

5.2 Modelación de la Abundancia

5.3 Modelación de la distribución